توسعه الگوریتم های فرا ابتکاری شیرمورچه- ژنتیک و PBILDE جهت بهینه‌سازی سبد سهام در بورس اوراق بهادار تهران
محورهای موضوعی : مهندسی مالی
مهدی همایونفر
1
(
استادیار گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران
)
امیر دانشور
2
(
استادیار گروه مدیریت صنعتی، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران
)
جعفر رحمانی
3
(
کارشناس ارشد مدیریت فناوری اطلاعات، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران
)
کلید واژه: الگوریتم ژنتیک, ریسک, بازده, بهینه سازی سبد سهام, الگوریتم شیرمورچه, الگوریتم ترکیبی یادگیری افزایشی مبتنی بر جمعیت و تکامل تفاضلی,
چکیده مقاله :
در مطالعات مالی، سبد سهام را می توان به معنی مجموعه ی سرمایه گذاری هایی دانست که توسط یک فرد و یا یک موسسه انتخاب و پذیرفته می شود. انتخاب سبد سهام یکی از اصلی ترین دغدغه های سرمایه گذاران در بازارهای مالی است. مدل میانگین- واریانس با مؤلفه های مقید به عنوان یکی از مدل های اصلی در حل مسأله بهینه سازی سبد سرمایه شناخته می شود. این مدل از لحاظ پیچیدگی، از نوع مسائل غیرخطی چند جمله ای NP-hard است که به صورت دقیق قابل حل نیستند. در این پژوهش با استفاده از الگوریتم ترکیبی شیرمورچه- ژنتیک (ALOGA) و الگوریتم ترکیبی یادگیری افزایشی مبتنی بر جمعیت و تکامل تفاضلی (PBILDE)که از مدل های فرا ابتکاری نوین در حل مسائل بهینه سازی هستند، برای بهینه سازی سبد سرمایه گذاری با هدف افزایش بازده و کاهش ریسک استفاده شده است. از میان 591 شرکت حاضر در بورس اوراق بهادار تهران، 150 شرکت در بازه زمانی فروردین 1391 الی اسفند 1393 با استفاده از روش غربالگری به عنوان نمونه نهایی انتخاب شدند. داده های مربوط به این شرکت ها توسط الگوریتم های بکار رفته در تحقیق مورد تجزیه و تحلیل قرار گرفت و کارآیی آنها با یکدیگر مقایسه گردید. نتایج پژوهش حاکی از آن است که الگوریتم های ALOGA و PBILDE کارایی مناسبی برای حل مسأله ی بهینه سازی سبد سهام دارند. بعلاوه، با استفاده از الگوریتم ALOGA می توان با دقت و کارایی بالا سبد سهام بهینه تشکیل داد.
In financial studies, portfolio can be defined as a set of investments that are selected and accepted by an individual or institution. Portfolio selection is one of the main concerns of investors in financial markets. The average-variance model with bound restrictions is considered as one of the main models in solving the portfolio optimization problem. In terms of complexity, this model is a polynomials NP-hard non-linear problem that cannot be accurately solved. In this study, an Antlion optimizer- Genetic algorithm (ALOGA) and a population based incremental learning and differential evolution algorithm (PBILDE), which are modern meta-heuristic models for solving optimization problem, are used to optimize the investment portfolio through increase the return and reduce the risk. Among 591 companies listed on Tehran stock exchange from April 2012 through March 2015, 150 companies were selected as the final sample using screening method. The data of these companies were analyzed using the applied algorithms in this research and their efficiency was compared together. The results indicate that ALOGA and PBILDE algorithms both are suitable for solving the portfolio optimization problem. In addition, using the ALOGA algorithm, it is possible to create an optimal portfolio with high accuracy and efficiency.
_||_
